Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Abstract

Im Web 2.0 haben sich viele soziale Netzwerke gebildet, in welchen Nutzer sich über Produkte austauschen und Meinungen darüber äußern. Für Unternehmen ist von Bedeutung, wie sich Meinungen zu ihren Produkten entwickeln. Hierfür müssen quantitative und qualitative Daten, d.h. Beziehungen und Meinungen operationalisiert, um diese analysieren zu könen. Ziel dieser Arbeit ist es, Meinungen zum iPhone in Internetforen zu untersuchen. Hierfür wird eine soziale Netzwerkanalyse durchgeführt, um Kennzahlen von Nutzern abzuleiten. Diese werden anschließend als Eingabedaten für neuronale Netze verwendet. Mit Hilfe dieser Netze werden zunächst Nutzer anhand von Kennzahlen charakterisiert. Anschließend wird die Entwicklung von Meinungen in Internetforen prognostiziert.

Key Words: Diffusion, Web 2.0, Neuronale Netze, KNN, Soziale Netzwerkanalyse, SNA

Abstract I

  Diffusion von Meinungen in sozialen Netzwerken des Web 2.0  

Inhaltsverzeichnis

  Abstract  I

Inhaltsverzeichnis   II

  Abbildungsverzeichnis  V

Tabellenverzeichnis  VII  VII

  Abkürzungsverzeichnis  VIII

1  Einleitung  1

1.1  Problemstellung und Zielsetzung der Arbeit  1

1.2  Abgrenzung der Thematik  1

1.3  Lösungsansatz  3

1.4  Aufbau der Arbeit  3

2  Web 2 0  5

2.1  Einführung  5

2.2  Anwendung  6

3  Diffusion von Innovationen  8

3.1  Innovation  8

3.2  Kommunikationskanal  10

3.3  Zeitdimension  11

3.4  Soziales System  14

3.5  Bedeutung für das Web 2 0  14

4  Soziale Netzwerkanalyse  18

4.1  Einführung  18

4.2  Forschungsdesign  19

4.2.1  Vorgehensweise  19

4.2.2  Datenakquisition  19

4.2.3  Annahmen  22

4.3  Individuelle Analyseebene  23

4.3.1  Zentralitäts-Kennzahlen  23

4.3.1.1  Grundlagen  23

4.3.1.2  Anwendung  28

4.3.1.3  Zusammenfassung  31

4.3.2  Prestige-Kennzahlen  31

4.3.2.1  Grundlagen  31

Inhaltsverzeichnis  II  II

  Diffusion von Meinungen in sozialen Netzwerken des Web 2.0  

4.3.2.2  Anwendung  34

4.3.2.3  Zusammenfassung  36

4.3.3  Ego-Netzwerk-Kennzahlen  36

4.3.3.1  Grundlagen  36

4.3.3.2  Anwendung  40

4.3.3.3  Zusammenfassung  42

4.4  Kollektive Analyseebene  43

4.4.1  Zentralisierungs-Kennzahlen  43

4.4.1.1  Grundlagen  43

4.4.1.2  Anwendung  45

4.4.1.3  Zusammenfassung  46

4.4.2  Struktur-Kennzahlen  47

4.4.2.1  Grundlagen  47

4.4.2.2  Anwendung  49

4.4.2.3  Zusammenfassung  50

4.4.3  Gesamt-Netzwerk-Kennzahlen  50

4.4.3.1  Grundlagen  50

4.4.3.2  Anwendung  53

4.4.3.3  Zusammenfassung  54

5  Neuronale Netzwerkanalyse  55

5.1  Einführung  55

5.2  Forschungsdesign  60

5.2.1  Vorgehensweise  60

5.2.2  Datenakquisition  60

5.2.3  Annahmen  62

5.3  Individuelle Analyseebene  62

5.3.1  Grundlagen  62

5.3.2  Anwendung  66

5.3.2.1  Identifizierung von Meinungswechslern  66

5.3.2.2  Charakterisierung von Meinungswechslern  69

5.3.3  Zusammenfassung  72

5.4  Kollektive Analyseebene  73

5.4.1  Grundlagen  73

Inhaltsverzeichnis  III  III

  Diffusion von Meinungen in sozialen Netzwerken des Web 2.0  

5.4.2  Anwendung  73

5.4.2.1  Prognose aus kollektiven Kennzahlen  74

5.4.2.2  Prognose aus individuellen Kennzahlen  76

5.4.3  Zusammenfassung  80

6  Zusammenfassung und Ausblick  81

  Literaturverzeichnis  IX

Inhaltsverzeichnis  IV  IV

  Diffusion von Meinungen in sozialen Netzwerken des Web 2.0  

  Abbildungsverzeichnis  

  Abbildung 1 1: Analyseprozess für Meinungsprognose  

  Abbildung 1 2: Aufbau der Arbeit  

  Abbildung 2 1: Entwicklungsstufen der Benutzerintegration im Web 2 0  

  Abbildung 3 1: Komponenten der Diffusion  

  Abbildung 3 2: Diffusionskurve  

  Abbildung 3 3: Adaptionskurve  

  Abbildung 3 4: Innovations-Entscheidungsprozess  

  Abbildung 3 5: Soziale Netzwerke des Web 2 0  

  Abbildung 4 1: Prozessschritte der sozialen Netzwerkanalyse  

  Abbildung 4 2: Quantitative und qualitative Datenerhebung  

  Abbildung 4 3: Meinungsanalyse mit JavaTec  

  Abbildung 4 4: Beispielnetz des Macintosh-Forums  

  Abbildung 4 5: Stern- und Kreis-Soziogramme mit Soziomatrizen  

  Abbildung 4 6: Zentralitätskennzahlen der individuellen Analyseebene  

  Abbildung 4 7: Soziogramm und matrix eines gerichteten Sternennetzwerks  

  Abbildung 4 8: Prestige-Kennzahlen der individuellen Analyseebene  

  Abbildung 4 9: Ego-Netzwerk-Kennzahlen der individuellen Analyseebene  

  Abbildung 4 10: Beispiel für Proportional Strength  

  Abbildung 4 11: Beispiel für Dyadic Constraint  

  Abbildung 4 12: Zentralisierungskennzahlen der kollektiven Analyseebene  

  Abbildung 4 13: Triadentypen mit Bezeichnungen in Pajek  

  Abbildung 4 14: Struktur-Kennzahlen der kollektiven Analyseebene  

  Abbildung 4 15: Gesamt-Netzwerk-Kennzahlen der kollektiven Analyseebene  

  Abbildung 5 1: Ziele der neuronalen Netzwerkanalyse  

  Abbildung 5 2: Zellen eines neuronalem Netz  

  Abbildung 5 3: Screenshot aus JavaNNS  

  Abbildung 5 4: Fehlerentwicklung von Trainings- und Validierungsmenge  

  Abbildung 5 5: Input- und Output-Daten der neuronalen Netze  

  Abbildung 5 6: Datenakquisitionsprozess  

  Abbildung 5 7: Neuronales Netz für Identifizierung von Meinungswechslern  

  Abbildung 5 8: Neuronales Netz zur Charakterisierung von Meinungswechslern  

  Abbildungsverzeichnis  

  Diffusion von Meinungen in sozialen Netzwerken des Web 2.0  

  Abbildung 5 9: Vorgehen bei Meinungsprognose  

  Abbildung 5 10: Neuronales Netz für Prognose aus kollektiven Kennzahlen  

  Abbildung 5 11: Neuronales Netz für Prognose aus individuellen Kennzahlen  

  Abbildung 5 12: Vergleich zwischen tatsächlichen Ergebnissen und individueller  

  Prognose  

  Abbildungsverzeichnis  

  Diffusion von Meinungen in sozialen Netzwerken des Web 2.0  

  Tabellenverzeichnis  

Tabelle 1 1:  Überblick über Autoren und deren Forschung zu sozialen  

  Netzwerken im Web 2 0  2

Tabelle 2 1:  Übersicht Foren-Daten  6

Tabelle 4 1:  Zusammenfassung Zentralitäts-Kennzahlen  31

Tabelle 4 2:  Hypothesen zu Zentralitäts-Kennzahlen  31

Tabelle 4 3:  Zusammenfassung Prestige-Kennzahlen  36

Tabelle 4 4:  Hypothesen zu Prestige-Kennzahlen  36

Tabelle 4 5:  Zusammenfassung Ego-Netzwerk-Kennzahlen  42

Tabelle 4 6:  Hypothesen zu Prestige-Kennzahlen  42

Tabelle 4 7:  Ergebnisse der Zentralisierungs-Kennzahlen  45

Tabelle 4 8:  Zusammenfassung Zentralisierungs-Kennzahlen  46

Tabelle 4 9:  Ergebnisse der Struktur-Kennzahlen  50

Tabelle 4 10:  Zusammenfassung Struktur-Kennzahlen  50

Tabelle 4 11:  Ergebnisse der Gesamt-Netzwerk-Kennzahlen  54

Tabelle 4 12:  Zusammenfassung Gesamt-Netzwerk-Kennzahlen  54

Tabelle 5 1:  Syntaxschema einer Pattern-Datei in JavaNNS  65

Tabelle 5 2:  Absolute Gewichte w ij (alle Foren, 2 Output-Neuronen)  67

Tabelle 5 3:  Relative Gewichte w ij /W (alle Foren, 2 Output-Neuronen)  67

Tabelle 5 4:  Relative Gewichte w ij /W gewichtet mit relativen Gesamtgewichten  

  (max W)/ W) (alle Foren, 2 Output-Neuronen)  68

Tabelle 5 5:  Relative Gewichte w ij /W gewichtet mit relativen Gesamtgewichten  

  (max W)/ W) (alle Foren, 5 Output-Neuronen)  69

Tabelle 5 6:  Einfluss von Kennzahlen auf Wechseltypen  70

Tabelle 5 7:  Bestätigte Hypothesen  72

Tabelle 5 8:  Nicht bestätigte Hypothesen  72

Tabelle 5 9:  Tatsächliche Meinungen in den Foren  74

Tabelle 5 10:  Skalierung für Klassifikation von kollektiven Meinungen  74

Tabelle 5 11:  Aktivierungszustände der Output-Neuronen  76

Tabelle 5 12:  Fehler bei Prognose aus individuellen Kennzahlen  78

Tabellenverzeichnis VII   

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Abkürzungsverzeichnis

bspw. Beispielsweise

BP Back Propagation

bzgl. bezüglich

engl. englisch

et al. et alii

KNN Künstlich neuronale Netzwerke

MLFF Multilayer Feedforward Neural Network

SNA Soziale Netzwerk Analyse

u. a. unter anderem

vgl. vergleiche

z. B. zum Beispiel

Abkürzungsverzeichnis VIII

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

1 Einleitung

1.1 Problemstellung und Zielsetzung der Arbeit

Die Nutzung des Internet hat in das alltägliche Leben der Menschen immer stärker Einzug gehalten. Mit zunehmender Anzahl von Nutzern hat sich die ursprüngliche Form des Internet stark verändert. Die klassische Form des Internet hat sich dabei immer mehr von einer reinen Informationsquelle zu einem interaktiven „Mitmach-Medium“ gewandelt. User nutzen das Internet nicht nur für reine Informations- und Kommunikationszwecke, sondern haben mittlerweile die Möglichkeit Inhalte selbst zu erstellen oder mitzugestalten.

Dieser Wandel - vom statischen zum interaktiven Web - wird unter dem Begriff „Web 2.0“ subsumiert. Hier gruppieren sich Nutzer u.a. zu so genannten sozialen Netzwerken, um Meinungen auszutauschen. Sie kommunizieren bzw. interagieren miteinander und beeinflussen sich gegenseitig in ihrer Meinungsbildung. Durch die Vielzahl vorherrschender Meinungen entsteht ein sehr diffiziles Meinungsportfolio, das allerdings nur bedingt Rückschlüsse auf ein einheitliches Meinungsbild oder gar auf die zukünftige Entwicklung von Meinungen zulässt.

Für Unternehmen ist jedoch von Bedeutung, in welche Richtung sich Meinungen bzgl. der eigenen Produkte oder des Images entwickeln, um Chancen und Risiken von Produkten frühzeitig erkennen bzw. einschätzen zu können.

Ziel der Arbeit ist es daher, eine soziale Netzwerkanalyse (SNA) durchzuführen, die im Stande ist, die Entwicklung von Meinungen in Foren des Web 2.0 abzubilden, um daraus ein vorherrschendes Meinungsbild ableiten zu können. Insbesondere soll, auf Basis der Ergebnisse aus der sozialen Netzwerkanalyse, ein Modell entwickelt werden, mit dessen Hilfe zum einen Nutzer in Internetforen charakterisiert und zum anderen die positive bzw. negative Entwicklung deren Meinungen für die Zukunft prognostiziert werden kann. Dadurch soll es möglich sein, Unternehmen frühzeitig Handlungsempfehlung zu geben, um Risiken zu minimieren oder Marktchancen zu erkennen.

1.2 Abgrenzung der Thematik

In der Vergangenheit wurden bereits einige Forschungen zum Thema sozialer Netze im Web 2.0 betrieben. Die im Folgenden dargestellten Artikel stellen einen kurzen Überblick über Veröffentlichungen zu der Thematik dar.

WELSER ET AL. (2007) untersuchen in ihrem Artikel „Visualizing the Signatures of Social Roles in Online Discussion Groups“ soziale Rollen in Online-Foren, um das Verhalten von

Einleitung 1

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

„Answer-People“ (Nutzer, die auf Fragen eingehen) zu visualisieren. Für ihre Analyse verwenden sie hauptsächlich Kennzahlen aus einer SNA, um daraus strukturelle Kommunikationsmuster abzuleiten. Mit Hilfe einer Regressionsanalyse zeigen sie, dass soziale Rollen und strukturelle Kommunikationsmuster stark korrelieren.

In dem Paper „Browsing Newsgroups with A Social Network Analyzer“ verwenden CHANG ET AL. (2002) ebenfalls die Methoden der SNA. Deren Ziel besteht darin, einen Analyzer zu konzipieren, der in Newsgroups wichtige Autoren bzw. Artikel identifiziert, um Nutzern, die später in eine Konversation einsteigen, einen Überblick zu geben.

HAYTHORNTHWAITE & GRUZD (2007) analysieren in ihren Artikel „A Noun Phrase Analysis Tool for Mining Online Community Conversations“ Informationen aus Online-Konversationen. Ziel ihrer Forschung ist im Gegensatz zu den bis jetzt genannten Autoren, die den Schwerpunkt ihrer Forschung auf eine strukturelle Analyse legten, die Konzeption eines Text-Mining-Tools, um den Inhalt von Konversationen zu untersuchen.

GLOOR & ZHAO (2006) analysiert in seinem Paper „Analyszing Actors and Their Discussion Topics by Semantic Social Network Analysis“ ebenfalls Online-Konversationen, wobei sie allerdings neben einer strukturellen SNA auch eine Inhaltsanalyse mit Text-Mining durchführen.

Tabelle 1-1: Überblick über Autoren und deren Forschung zu sozialen Netzwerken im Web 2.0

Forschungsgegenstand

Herangehensweise

Ziel

Allen Forschungen der genannten Autoren ist gemein, dass sie sich mit sozialen Netzwerken im Web 2.0 beschäftigen. Bei WELSER ET AL. (2007) sowie Chang et al. (2002) liegt der Schwerpunkt ihrer Arbeiten auf einer strukturellen Analyse, um Netze zu visualisieren. HAY- THORNWITE &GRUD (2007) untersuchen hingegen den Inhalt von Konversationen. GLOOR & ZHAO (2006) kombinieren die beiden Ansätze. Eine Prognose für zukünftige Entwicklungen in Foren bietet keiner der Autoren.

Einleitung 2

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

1.3 Lösungsansatz

Für die Prognose von Meinungen wurden in dieser Arbeit künstlich neuronale Netze (KNN) verwendet. Die Analyse erfolgte am Beispiel der Meinungen in Internetforen zum iPhone nach dem in Abbildung 1-1 skizzierten Prozess. Die Foren zum Thema iPhone wurden ausgewählt, da es sich bei diesem um ein neues IT-Produkt handelt, über das im Internet sehr kontrovers diskutiert wurde.

Im ersten Schritt wurden Foren gesucht, in welchen sich Nutzer über das iPhone unterhielten. Es wurden sowohl strukturelle Daten (z.B. Beziehungen) als auch inhaltliche Daten (Meinungen) operationalisiert. Mit Hilfe einer SNA wurden in einem zweiten Schritt Netzwerkkennzahlen aus den strukturellen Daten errechnet und die Meinungen der Nutzer zu zwei Zeitpunkten t1 und t2 untersucht. Dieser Datensatz dient in einem drittenSchritt als Input für ein KNN. Ziel der Arbeit ist es, mit Hilfe der bekannten Daten aus t1 und z2 die Meinungen für t3 zu prognostizieren.

1.4 Aufbau der Arbeit

Die vorliegende Arbeit besteht aus fünf Kapiteln. Der strukturelle Aufbau der Arbeit ist in Abbildung 1-2 skizziert. Im ersten Kapitel wird die Relevanz des Themas dargestellt sowie eine Einführung in die Problemstellung und der sich daraus ableitenden Zielsetzung gegeben.

Im 2. Kapitel wird zunächst eine Einführung zur Entwicklung des Web 2.0 gegeben. Der Focus liegt dabei auf der Entstehung sozialer Netzwerke im Web 2.0. Insbesondere werden in diesem Kapitel die in der Arbeit verwendeten Foren präsentiert.

Einleitung 3

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Die theoretischen Grundlagen zur klassischen Diffusionslehre sind in Kapitel 3 festgehalten. Zunächst wird auf die einzelnen Komponenten der Diffusion eingegangen. Im Anschluss werden diese an die besonderen Eigenschaften des Web 2.0 angepasst.

Im 4. Kapitel vermittelt zunächst theoretische Grundlagen zu sozialen Netzwerken. Anschließend werden soziale Netzwerkanalysen in den ausgewählten Foren durchgeführt. Die Analyse wird dabei in eine individuelle (Kapitel 4.3) und kollektive Analyse (Kapitel 4.4) untergliedert.

Im Zentrum der Arbeit steht das 5. Kapitel: Die in Kapitel 4 ermittelten Ergebnisse werden hierbei verwendet, um mit Hilfe von neuronalen Netzen Prognosen für zukünftige Entwicklungen von Meinungen zum iPhone zu geben. Das Kapitel ist ebenfalls in eine individuelle und ein kollektive Analyseebene unterteilt. In der individuellen Analyse wird die Meinung einzelner Nutzer betrachtet, in der kollektiven folgt die Prognose von Meinungen in Foren.

Eine kritische Zusammenfassung der wesentlichen Ergebnisse der Arbeit sowie ein Ausblick auf zukünftige Forschungsbereiche werden in Kapitel 6 dargestellt.

Einleitung 4

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

2 Web 2.0

2.1 Einführung

Die Entstehung des Web 2.0 lässt sich auf zwei Kernentwicklungen zurückführen, eine qualitative und eine quantitative, welche die Basis für neue Services, wie z.B. YouTube oder Google Maps, schafften. Als qualitative Voraussetzung kann die technische Entwicklung der Internetzugänge in den letzten Jahren angesehen werden. Durch zunehmende Übertragungsraten ist es Web-Entwicklern möglich, immer aufwendigere Applikationen zu konzipieren, welche die Nutzer nun auch adäquat einsetzen können [Gscheidle & Fisch 2007, S. 395].

Der zunehmende technische Fortschritt begleitet von einem stetigen Preisverfall bedingten einen starken Anstieg der Nutzerzahlen von Breitbandinternetzugängen. Diese quantitative Entwicklung spricht für die Akzeptanz des Internets [Gscheidle & Fisch 2007, S. 394]. Sowohl die qualitativen als auch quantitativen Entwicklungen sind Voraussetzungen für die Entwicklungen im Web 2.0.

Diese Voraussetzungen (Abbildung 2-1) führten zu einem Strukturwechsel im Web. Die klassischen statischen HTML-Seiten werden zunehmend durch dynamische Inhalte ergänzt oder ersetzt. Neue technologische Möglichkeiten (z.B. WIKIs, Blogs, Tauschbörsen, Foren) erlauben es den Nutzern, Inhalte selbst zu erstellen („user generated content“), zu bearbeiten und zu veröffentlichen. Es entstanden viele Communities und soziale Netzwerke mit Millionen von Usern, welche die Inhalten nutzen und bewerten [O'Reilly 2005].

Web 2.0 5

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Die in Abbildung 2-1 skizzierte Definition von Web 2.0 setzt den Schwerpunkt auf Benutzerintegration, stellt allerdings nur einen Teil des Gesamtkonzeptes Web 2.0 dar. Gleichwohl ist sie für den Rahmen dieser Arbeit vor dem Hintergrund der Analyse sozialer Netze und deren Beeinflussung bei der Meinungsbildung ausreichend.

2.2 Anwendung

Im Rahmen dieser Arbeit werden Internetforen im Web 2.0 betrachtet. Insbesondere Foren zum Thema „iPhone“. Ziel ist es, aus den Foren-Daten ein soziales Netzwerk der Nutzer abzuleiten und dessen Einfluss auf die Bildung von Meinungen zum iPhone zu analysieren. Folgende Foren wurden betrachtet:

x Apfeltalk-Forum: „Ewig fürs iPhone vor dem Apple Store stehen?“ [apfeltalk.de 2008] x iFUN-Forum: „IPhone jetzt schon technisch veraltet ?!“ [ifun.de 2008] x Macintosh-Forum: „iPhone“ [macintosh-forum.de 2008]

x Minidisc-Forum: „Eure Meinung..Würdet ihr das IPhone kaufen? [minidiscforum.de 2008] x netQuarter-Forum: „Apple iPhone - Meinungen?“ [netquarter.org 2008] x PCFreunde-Forum: „Was haltet ihr vom I Phone?“ [pcfreunde.de 2008] x SlashFM-Forum: „Was haltet ihr von denn iPhone von Apple ???“ [slashfm.net 2008] x SMS77-Forum: „Was haltet ihr vom iPhone?“ [sms77.de 2008]

Tabelle 2-1: Übersicht Foren-Daten

Forum Nutzer Posts InteraktivitätL Zeitraum apfeltalk.de 19 23 1,21 28.06.2007- 05.07.2007 ifun.de 24 58 2,42 21.05.2007- 02.07.2007 macintosh.de 35 133 3,69 20.10.2007- 19.01.2008 minidiscforum.de 18 63 3,50 27.06.2007- 10.01.2008 netquarter.org 15 27 1,80 10.01.2007- 14.11.2007 pcfreunde.de 9 20 2,22 05.11.2007- 19.12.2007 slashfm.net 23 32 1,39 28.06.2007- 28.02.2008 sms77.de 10 14 1,40 02.08.2007- 24.11.2007 Summe 153 370 2,42

[eigene Darstellung]

Tabelle 2-1 gibt einen Überblick über die Foren, die als Datenquelle für die anschließende soziale Netzwerkanalyse dienen. Neben der Anzahl der Nutzer und der Foreneinträge (engl. Posts) wird die Interaktivität in den Foren erfasst. Diese ist im Folgenden als

Web 2.0 6

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

¤ definiert, wobei ÛLs (Anzahl Posts = Anzahl Nutzer) keine Interaktivität ÛL2 K O P O 0 Q P V A N

bedeutet. Insgesamt wurden 153 Nutzer mit 370 Foreneinträgen erfasst. Daraus ergab sich

eine durchschnittliche Interaktivität von Û L távt. Des Weiteren wird der betrachtete Zeitraum

wiedergegeben.

Web 2.0 7

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

3 Diffusion von Innovationen

Die Diffusionstheorie beschäftigt sich mit der Verbreitung von Innovationen in einem sozialen Netz vor dem Hintergrund einer zeitlichen Dimension [vgl. Rogers 2003, S. 5]. DILLER (2001, S. 300) definiert Diffusion als „das aggregierte Ergebnis der individuellen Übernahmeentscheidungen (Adoptionen) der Mitglieder des sozialen Systems (Individuen, Gruppen, Organisationen)“ [Diller 2001, S. 300].

Nach ROGERS (2003, S. 11) können vier Komponenten der Innovationsdiffusion unterschieden werden: „Diffusion is the process by which an innovation is communicated trough certain channels over time among the members of a social system (vgl. hierzu Abbildung 3-1)

3.1 Innovation

Unter Innovationen werden nach SCHENK et al. (1996, S. 21) Ideen, Praktiken oder Objekte verstanden, die von den relevanten Adaptionsinstanzen, im Folgenden auch Adopter genannt, als neu wahrgenommen werden. Die Annahme bzw. Übernahme einer Innovation durch Individuen wird als Adaption bezeichnet. Wird eine Innovation abgelehnt, so spricht man von einer Rejektion. Im Rahmen dieser Arbeit wird als Innovation das iPhone der Firma Apple herangezogen.

ROGERS (2003, S 15f.) definiert fünf akzeptanzfördernde Faktoren, die die Adaptionsrate positiv beeinflussen. Zu diesen adaptionsrelevanten Eigenschaften zählen:

Diffusion von Innovationen 8

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

x Relativer Vorteil

x Hohe Kompatibilität x Geringe Komplexität x Hohe Erprobbarkeit x Hohe Beobachtbarkeit

Der relative Vorteil einer Innovation muss im Zusammenhang mit deren Adaption betrachtet werden. Er gibt an, mit welchem Grad eine Idee besser wahrgenommen wird, als eine ältere Innovation. Dabei kommt es nicht nur auf den messbaren objektiven Vorteil an, sondern vor allem auch, ob ein Individuum in einer Innovation einen subjektiven Vorteil sieht. So kann beispielsweise die Entwicklung eines neuen Mobiltelefons einen messbaren objektiven Vorteil gegenüber eines älteren Modell aufweisen (z.B. größerer Bildschirm), doch das Individuum sieht eventuell keinen subjektiven Vorteil, solange Anwendungen auch auf einem älteren Mobiltelefon laufen. Der relative Vorteil korreliert positiv mit der Adaptionsrate einer Innovation. [Rogers 2003, S. 229ff.]

Kompatibilität ist das Ausmaß, in dem eine Innovation als konsistent, sowohl mit den bestehenden Werten als auch Erfahrungen aus der Vergangenheit sowie den Bedürfnissen potentieller Adopter, wahrgenommen wird. Eine Innovation, die mit den Werten und Normen eines sozialen Systems inkompatibel ist, wird nur langsam adoptiert und im schlechtesten Fall nicht angenommen. Zum Beispiel kann auf das iPhone nur mit der Software iTunes Musik überspielt werden. Der Zusammenhang zwischen der Kompatibilität und der Adaptionsrate ist positiv. [Rogers 2003, S. 240ff.]

Die Komplexität gibt wider, wie schwer eine Innovation in Relation zu anderen Ideen zu erlernen und zu verstehen ist. Neue Ideen, die einfach zu verstehen sind, werden schneller angenommen, als Innovationen, die von den Adoptern erst durch die Entwicklung weitere Fähigkeiten verstanden werden können. Eine intuitive Bedienung eines Mobiltelefons erleichtert demnach dessen Verbreitung: die Komplexität ist negativ mit der Adaptionsrate korreliert. [Rogers 2003, S. 257f.]

Die Erprobbarkeit ist ein Maß, das ausdrückt, in wie weit eine Innovation ausprobiert werden kann. Ideen, die teilbar sind, und somit Schritt für Schritt ausprobiert werden können, werden schneller angenommen, also atomare Ideen, die nur als ganze Einheit erlernt werden können. Die individuelle Erprobung einer Innovation führt zu einer Senkung des subjektiv wahrgenommenen Risikos und führt deshalb zu einer früheren Adaption der Innovation. Der Zusammenhang zwischen Erprobbarkeit und Adaptionsrate ist positiv. [Rogers 2003, S. 258]

Diffusion von Innovationen 9

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Die Beobachtbarkeit gibt den Grad an, in dem das Ergebnis einer Innovation von Individuen als sichtbar wahrgenommen wird. Je einfacher Individuen das Ergebnis einer Innovation sehen können, desto eher sind sie bereit diese zu adoptieren. Das Ergebnis von materiellen Innovationen ist beispielsweise einfacher wahrzunehmen, als das Resultat immaterieller Ideen. Der Zusammenhang zwischen Beobachtbarkeit und Adaptionsrate ist positiv. [Rogers 2003, S. 258f.]

Die Wahrscheinlichkeit der Annahme einer Innovation steigt, wenn die erwähnten innovationsfördernden Faktoren erfüllt sind. „Innovations that are perceived by individuals as having greater relative advantage, compatibility, trialability, and observability and less complexity will be adopted more rapidly than other innovations.” [Rogers 2003, S.16]

3.2 Kommunikationskanal

Um den Begriff des Kommunikationskanals klären zu können, wird zunächst der Kommunikationsbegriff eingeführt. „Kommunikation bedeutet die Übermittlung von Informationen und Bedeutungsinhalten zum Zweck der Steuerung von Meinungen, Einstellungen, Erwartungen und Verhaltensweisen bestimmter Adressaten gemäß spezifischer Zielsetzungen.“ [Bruhn 2007, S. 1]

Diese Übermittlung der Informationen findet mittels sogenannter Kommunikationskanäle statt. ROGERS (2003, S. 18) definiert einen Kommunikationskanal folgendermaßen: “A communication channel is the means by which messages get from one individual to another.” Demnach ist der Kommunikationskanal das Mittel zur Übertragung von Informationen. Es lassen sich drei Arten von Kommunikationskanälen unterscheiden:

x Massenmedien

x Interpersonelle Kanäle x Interaktive Kanäle

Unter Massenmedien werden audio-visuelle Systeme, die der Verbreitung von Informationen an ein breites, heterogenes Publikum dienen, zusammengefasst. Typische Massenmedien sind Radios, Fernsehgeräte oder Printmedien. Die große Reichweite dieser Medien hat den Vorteil, dass ein breites Publikum erreicht wird, allerdings geht damit eine hohe Streuung einher und es geht auf Kosten der Beziehungsstärke zwischen Kommunikator und Rezipienten. [Diller 2001, S. 1086]

Interpersonelle Beziehungen zeichnen sich durch den engen Kommunikationsaustausch auf persönlicher Ebene aus. Da die Beziehung zwischen Sender und Empfänger stark ausgep-

Diffusionvon Innovationen 10

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

rägt ist, sind die Empfänger eher gewillt eine Innovation zu adaptieren. Allerdings geht dies mit dem Nachteil einher, dass die Reichweite der Informationen sehr gering ist. [Esch 2007, S. 275]

Interaktive Kanäle versuchen die Vorteile einer großen Reichweite und des interpersonellen Kontaktes zu kombinieren. Als Beispiel kann an dieser Stelle das Internet, insbesondere die Entwicklungen im Web 2.0, genannt werden. Online Communities bieten beispielsweise zum einen die Möglichkeit in einem breiten Netz viele Menschen zu erreichen und ermöglichen zum anderen die persönliche Kontaktaufnahme. [Rogers 2003, S.18]

Die verschiedenen Kommunikationskanäle spielen laut ROGERS (2003, S. 18) eine entscheidende Rolle im Prozess der Meinungsbildung. Sie sollten nicht getrennt voneinander betrachtet werden, sondern als sich ergänzende Instrumente. Nach der Two-Step-Flow-Hypothese von LAZARSFELD et al. (1948, S. 151) dienen Massenmedien auf einer ersten Stufe dem Erstkontakt zu neuen Ideen. Diese werden von Meinungsführern aufgenommen und auf einer zweiten Stufe an die Mitglieder ihrer sozialen Netzwerke kommuniziert. [Esch 2005, S. 641]

Ein weiteres Entscheidungskriterium, das die Adaption bzw. Rejektion einer Innovation oder Meinung beeinflusst, ist die Struktur der Kommunikationsteilnehmer. Es muss differenziert werden, ob die kommunizierenden Individuen homogene Eigenschaften, wie z.B. gleicher sozialer Status oder gleiches Bildungsniveau, aufweisen oder, ob die Kommunikationspartner heterogene Anlagen mit sich bringen. Der Adaptionsprozess bei der Diffusion von Innovationen verläuft wesentlich schneller, wenn die Kommunikation zwischen Individuen mit homogenem Hintergrund stattfindet. [Rogers 2003, S.19]

3.3 Zeitdimension

Der Faktor Zeit spielt beim Diffusionsprozess und der damit verbundenen Adaptionsrate einer Innovation eine wichtige Rolle. Die Adaptionsrate beschreibt die relative Geschwindigkeit, gemessen über einen bestimmten Zeitraum, mit der eine Innovation von den Mitgliedern eines sozialen Netzwerks adoptiert wird. [Rogers 2003, S. 221]

Abbildung 3-2 zeigt den typischen Verlauf einer Diffusionskurve. Sie beschreibt den „kumulierten Übernahmebestand einer Innovation innerhalb eines sozialen Systems zu verschiedenen Zeitpunkten“ [Schenk et al. 1996, S. 26]. Der idealtypische Verlauf der Kurve ist Sförmig. Zunächst adaptieren nur wenige Nutzer eine Innovation, danach verbreitet sich eine Innovation schneller. Wenn der Sättigungspunkt erreicht ist, dann nimmer schwächt die Diffusionskurve ab [Schenk et al. 1996, S. 26ff.]

Diffusion von Innovationen 11

Diffusion von Innovationen 12

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Im Gegensatz zur Diffusionskurve zeigt die Adaptionskurve (Abbildung 3-3) die nichtkumulierten Adaptionen der einzelnen Individuen eines sozialen Netzes zu verschiedenen Zeitpunkten. An ihr kann die absolute Anzahl der Adaptionen zu verschiedenen Zeitpunkten abgelesen werden. Rogers (2003, S. 281) hat anhand des Mittelwertes und der Standardabweichung fünf idealtypische Adopterklassen identifiziert: Innovatoren, früher Übernehmer, frühe Mehrheit, späte Mehrheit und Nachzügler.

Der individuelle Innovations-Entscheidungsprozess wird von Rogers (2003, S. 170) als Stufenmodell („Model of Five Stages in the Innovation-Decision Process“) dargestellt:

Der Innovations-Entscheidungsprozess (Abbildung 3-4) beinhaltet als erste Stufe den Teilprozess Wissen. Auf dieser Stufe werden sowohl das Wissen um die Existenz einer Innovation als auch Kenntnisse über deren Anwendung subsummiert. In dieser Phase eignen sich vor allem Massenmedien als Kommunikationsmittel, da diese eine hohe Informationsreichweite aufweisen [Schenk et al. 1996, S. 32].

Auf der Stufe der Persuasion findet die Einstellungsbildung statt. Um die mit einer Adaption verbundenen Risiken zu verringern, suchen sich die Individuen in dieser Phase zusätzliche Informationen. Insbesondere spielen die adaptionsfördernden Faktoren „relativer Vorteil“, „Kompatibilität“, „Komplexität“, „Erprobbarkeit“ und „Beobachtbarkeit“ eine entscheidende Rolle, da diese zu einer Senkung des Risikos beitragen und somit eine potentielle Adaption begünstigen. Vor allem enge interpersonelle Beziehungen stärken in dieser Phase das Vertrauen im Informationsaustausch. Dadurch kann eine zusätzliche Minimierung des subjektiven Risikos erreicht werden [Schenk et al. 1996, S. 32].

Der Output der Entscheidungsphase ist eine Meinungsbildung auf kognitiver Ebene für (Adaption) oder gegen (Rejektion) eine Innovation [Rogers 2003, S. 175].

Diffusion von Innovationen 13

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

In der Implementierungsphase wird die entwickelte Einstellung bzw. Meinung umgesetzt. Die Individuen machen sich aktiv auf die Suche nach Informationen. Für eine Adaption müssen zu diesem Zeitpunkt die adaptionsfördernden Faktoren erfüllt sein [Schenk et al. 1996, S. 34].

In der abschließenden Bestätigungsphase suchen Individuen zusätzliche Informationen und Argumente, die ihre getroffene Entscheidung stützen. Dadurch möchten sie auftretende Selbstzweifel, so genannte kognitive Dissonanzen, verringern, um Gewissenskonflikte zu vermeiden [Schenk et al. 1996, S. 34].

3.4 Soziales System

Die sozialen Strukturen, die das Rahmenwerk für die Diffusion von Innovationen bilden, werden in diesem Kapitel nur rudimentär angesprochen, da im Kapitel 4 eine ausführliche soziale Netzwerkanalyse folgt.

ROGERS (2003, S. 23) definiert ein soziales System folgendermaßen: “A social system is defined as a set of interrelated units that are engaged in joint problem solving to accomplish a common goal. The members or units of a social system may be individuals, informal groups, organizations, and/or subsystems.”

Da in einem sozialen System nicht alle Individuen in ihrem Verhalten und Charakter homogen sind, wird eine Struktur benötigt, um dem System Stabilität und Regelmäßigkeit zu geben. Ein soziales System besteht aus zwei Dimensionen: die soziale Struktur und die Kommunikationsstruktur. Unter der sozialen Struktur werden sozioökonomische Determinanten verstanden, die „von außen“ auf die Mitglieder eines sozialen Systems einwirken. Dies können unter anderem Normen oder gesetzliche Regularien sein. Neben der formalen Struktur existiert eine Kommunikationsstruktur zwischen den Individuen eines sozialen Netzwerks. Diese findet auf einer subjektiven Ebene statt und beschreibt den Umgang der Individuen untereinander. Entscheidend für die Kommunikationsstruktur sind die individuellen Charaktereigenschaften. Je homogener diese sind, desto leichter bilden sich Kommunikationsstrukturen und desto leichter verbreiten sich Innovationen. [Rogers 2003, S. 24]

3.5 Bedeutung für das Web 2.0

Aufgrund der Attraktivität des Web 2.0 für Unternehmen im Zusammenhang der immer stärker werdende Integration von Kunden erscheint es sinnvoll, die Dimensionen der Diffusions-theorie Innovation, Kommunikationskanal, Zeit und Soziales System näher zu untersuchen.

Diffusion von Innovationen 14

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Bei Innovationen handelt es sich im Web 2.0 meist um immaterielle Dienstleistungen, die oft als (orchestrierte) Web-Services angeboten werden. Die Möglichkeit, verschiedene Web-Services zu kombinieren, setzt voraus, dass diese zum einen zueinander und zum anderen mit den Anforderungen der Nutzer kompatibel sind. Denn erst wenn der Nutzer einen Bedarf sieht (zum Beispiel Positionsortung auf dem iPhone via Satellitenaufnahmen) und eine kritische Masse erreicht wird, hat die Innovation Aussicht auf Erfolg. Die subjektive Meinungsbildung findet statt, sobald der Nutzer von der Innovation erfahren hat. [Hass et al. 2007, S. 40]

Eine Besonderheit des Web 2.0 ist, dass die Kommunikation und somit die Meinungsverbreitung auf allen Kanälen (Massenkommunikation, interpersonelle und interaktive Kommunikation) gleichsam statt findet. Je nach Anwendungsrahmen und Situation kommt ein anderer Kommunikationskanal zum Einsatz. So eignen sich „One-to-Many“- Kommunikationsinstrumente, die der klassischen Massenkommunikation ähneln, besonders für die Distribution von Informationen eines Kommunikators an ein breites Publikum. Als Beispiel können an dieser Stelle Firmen-Websites genannt werden. Ein Kommunikator (eine Firma) bietet eigene Produkte vielen Rezipienten (potentielle Kunden) an. „One-to-One“-Beziehungen entsprechen im Web 2.0 der interpersonellen Kommunikation. So sind beispielsweise der E-Mail-Verkehr oder Instant-Messaging-Tools typische „One-to-One“-Kommunikationsmittel. Eine Besonderheit des Web 2.0 sind die interaktiven Kommunikationsinstrumente. „One-to-Many“-und „One-to-One“-Kommunikation gab es auch schon im klassischen Internet. Ein Novum im Web 2.0 ist die Möglichkeit, dass viele Menschen gleichzeitig miteinander kommunizieren können, sei es mit Hilfe von Chat-Programmen, Internetforen oder Web-Communities. Bei der „Many-to-Many“- bzw. interaktiver Kommunikation kann aufgrund der Anonymität der Nutzer nur schwer auf homogene oder heterogene Kommunikationsstrukturen geschlossen werden. Vielmehr muss bei der Struktur der Kommunikation zwischen synchroner und asynchroner Kommunikation unterschieden werden. Synchrone Kommunikation bedeutet direkten Meinungsaustausch über beispielsweise Chat Programmen, unter asynchroner Kommunikation, z.B. mittels Foren, wird ein indirekter zeitversetzter Meinungsaustausch ver-standen [e-teaching.org 2008].

Im Hinblick auf die Zeitdimension der Diffusion kann der Adaptionsprozess und somit auch der Prozess der Meinungsbildung im Web 2.0 durch elektronische Wissensbereitstellung verkürzt werden. So wurde in der Vergangenheit empirisch belegt, dass Kunden es begrüßen, wenn ihnen produktbezogenes Wissen im Adaptions- bzw. Kaufprozess elektronisch zu Verfügung gestellt wird. Potentiellen Kunden kann in Phasen der Entscheidungsfindung durch zusätzlich angebotenes Wissen geholfen werden, auftretende kognitive Dissonanzen zu verringern. [Weinmann 2007, S. 39ff.]

Diffusion von Innovationen 15

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Soziale Netzwerke können im Web 2.0 am Grad des Involvement der Nutzer sowie an der Interaktivität bzw. der Beziehungsstärke zwischen den Nutzern charakterisiert werden. Involvement gibt im Zusammenhang mit sozialen Netzwerken an, wie stark Personen in ein Themengebiet involviert sind. [Moser 1993, S. 27ff.] Die Interaktivität gibt die Häufigkeit der Kommunikation zwischen den Nutzern wieder und ist somit auch ein Maß der Beziehungsstärke zwischen Personen.

Im Zusammenhang mit dem Web 2.0 sind einfache soziale Netzwerke beispielsweise Bewer-tungsplattformen (wie zum Beispiel www.ciao.de). Eine Interaktion zwischen den Nutzern findet auf diesen Plattformen nur bedingt statt. Blogs sind ein weiteres Beispiel für geringe Interaktivität. Typischerweise posten eine oder wenige Personen, die stark in eine Thematik involviert sind (z.B. tagebuchähnliche Blogeinträge während einer längeren Reise) Beiträge für eine anonyme Gruppe von interessierten Nutzern. Der Grad der Interaktivität steigt bei Nutzern von Foren. Diese müssen sich oftmals erst anmelden, um an der Konversation im Forum teilnehmen zu dürfen. Es kann davon ausgegangen werden, dass durch die Anmeldung bei einem Forum eine Selbstselektion der Nutzer stattfindet, die zu einem hohen Involvement-Level führt. Chat-Rooms zeichnen sich dadurch aus, dass zwischen den Nutzern aufgrund des synchronen Kommunikationscharakters eine hohe Interaktivität herrscht. Ein hohes Level an Involvement und Interaktivität vereinen Online Communities (z.B. Facebook oder Xing). Nutzer melden sich an, um gezielt Networking zu betreiben.

Diffusion von Innovationen 16

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Im Rahmen dieser Arbeit wird der Fokus primär auf die Betrachtung von Online-Foren gelegt, da diese sowohl eine durchschnittliche Interaktion als auch ein durchschnittliches Involvement abbilden. Darüber hinaus lassen sich aufgrund des asynchronen Konversationscharakters sehr einfach Daten für eine soziale Netzwerkanalyse extrahieren. (Welser et al. 2007)

Diffusion von Innovationen 17

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

4 Soziale Netzwerkanalyse

4.1 Einführung

Die soziale Netzwerkanalyse (SNA) wird im Rahmen dieser Arbeit zur Analyse von Netzwerken in Internetforen des Web 2.0 eingesetzt. Ziel hierbei ist es, zum einen die sozialen Strukturen in Foren abzubilden, um daraus Netzwerkkennzahlen zu errechnen. Zum anderen werden die Meinungen der Nutzer zum Thema „iPhone“ erfasst. Die ermittelten Netzwerkkennzahlen und Meinungen werden im Kapitel 5 als Input-Daten für ein neuronales Netz genutzt, um daraus Meinungen von Foren-Nutzern zum iPhone zu prognostizieren.

MITCHELL (1969, S. 2) definiert, als einer der Begründer der SNA, ein soziales Netzwerk folgendermaßen: A social network is “(…) a specific set of linkages among a defined set of persons with the additional property that the characteristics of these linkages as a whole may be used to interpret the social behavior of the persons involved.“

Demnach besteht ein soziales Netz aus Individuen und deren Beziehungen zueinander. Mit Hilfe der SNA kann soziales Verhalten innerhalb des Netzes erklärt werden. Die SNA besteht nach KOCH & RICHTER (2007, S. 63) aus drei generischen Prozessschritten:

x Datenakquise: Sammeln von Informationen sowie Beschreibung der Knoten und deren Beziehungen im Netzwerk

x Quantitative Analyse: Auswertung der Daten und Berechnung von Netzwerkkennzahlen

x Visualisierung: Grafische Darstellung der Netzwerkdaten

Im Rahmen dieser Arbeit wird der Analyseprozess um einen weiteren Prozessschritt ergänzt.

x Qualitative Analyse: Untersuchung der Aussagen und Meinungen von Knoten

Die Ergänzung des Analyseprozesses um den Prozessschritt „Qualitative Analyse“ ist insofern wichtig, da zur Prognose von Meinungen neben der Struktur des Netzwerks (quantitative

Soziale Netzwerkanalyse 18

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Analyse) auch die Auswertung der geäußerten Meinungen jedes Nutzers (qualitative Analyse) wichtig ist.

Der Prozess der SNA wird anhand des Beispiels „Meinungen zum iPhone“ auf zwei Analyseebenen betrachtet: der individuellen und der kollektiven Analyseebene. Im Rahmen der individuellen Analyseebene (Kapitel 4.3) stehen ein Akteur und dessen Handeln im Vorder-grund. Bei der kollektiven Analyseebene (Kapitel 4.4) hingegen werden alle Akteure und deren Interaktionen gemeinsam betrachtet [Jansen 1999, S. 63ff.].

Ziel der SNA ist die Berechnung von individuellen und kollektiven Netzwerkkennzahlen sowie die Erfassung von Meinungen auf Basis der aus Internetforen erhobenen Daten. Die individuellen und kollektiven Kennzahlen sollen jeweils als Input-Daten für ein neuronales Netz zur Prognose der Meinung eines jeden Individuums sowie für ein neuronales Netz zur Prognose der Meinung eines gesamten Forums dienen.

4.2 Forschungsdesign

4.2.1 Vorgehensweise

Die Ermittlung der Netzwerkkennzahlen richtet sich im Allgemeinen nach dem in Kapitel 4.1 skizzierten Analyseprozess. Zunächst wurden relevante Foren im Internet gesucht, die die Thematik „Meinung zum iPhone“ tangierten. Daraufhin wurden die Nutzer der Foren extrahiert und deren Beziehungen untereinander untersucht. Danach wurde die Meinung der einzelnen Nutzer analysiert. Die ermittelten Daten wurden als Input-Daten für die SNA genutzt, wobei die Auswertung und Visualisierung der Daten mit Hilfe der Netzwerkanalysesoftware Pajek (Version 1.2.3) erfolgte [Batagelj & Mrvar 2008].

4.2.2 Datenakquisition

Als Datenquellen dienten die in Kapitel 2.2 beschriebenen Internetforen. Insgesamt wurden für die SNA 154 Nutzer mit 370 Posts herangezogen. Diese Daten wurden einer quantitativen und einer qualitativen Analyse unterzogen.

In einem ersten Schritt wurden die Nutzer und deren Beziehungen operationalisiert. Jeder Teilnehmer eines Forums wurde erfasst und entsprechend des Eintrittszeitpunkts in das Forum durchnummeriert. Die Daten der Nutzer wurden in einer Soziomatrix (vgl. Abbildung 4-5) festgehalten. Sobald eine Beziehung zwischen zwei Nutzern realisiert wurde, wurde dies in der Soziomatrix mit einer „1“ notiert. Wenn keine Beziehung zwischen zwei Nutzern vorhanden war, so wurde eine „0“ gesetzt.

Soziale Netzwerkanalyse 19

Da die Daten aus den Posts der Nutzer entnommen wurden, musste der Text vorerst mit Hilfe der qualitativen Inhaltsanalyse ausgewertet werden, um daraus die quantitativen Daten ableiten zu können. Hat beispielsweise Nutzer 22 einen Beitrag von Nutzer 15 zitiert oder ist explizit auf sein Posting eingegangen, so wurde dies als Beziehung zwischen den beiden gewertet und mit „1“ kodiert [Mayring 1993, S. 16]. Diese Daten wurden in das Syntaxschema der Softwareumgebung Pajek formatiert [Batagelj & Mrvar 2008]. Mit Hilfe von Pajek wurden die jeweiligen sozialen Netze der einzelnen Foren aufgespannt.

Im zweiten Schritt - der qualitativen Analyse - wurden die Posts der einzelnen Nutzer analysiert, um daraus deren Meinung abzuleiten. Die Meinung der Nutzer wurde zu zwei Zeitpunkten t1 und t2 erfasst, wobei t1 die Meinung eines Nutzers zu seinem Eintrittszeitpunkt in das Forum und t2 die zuletzt abgegebene Meinung wiederspiegelt. Die Analyse erfolgte mit Hilfe der Text-Mining-Software JavaTec (Version 1.1.0). Diese wurde im Rahmen der Text-Mining-Forschung am Lehrstuhl Wirtschaftsinformatik II an der Friedrich-Alexander Universität entwickelt. Das Tool basiert auf frei verfügbaren Java-Bibliotheken und verwendet modifizierte Versionen der Algorithmen Naiver Bayes und Support Vector Machine, um Texte nach Meinungen zu klassifizieren (vgl. Abbildung 4-3) [Kröckel 2008]. „Grün“ steht hierbei für „positive Meinung“ (Klasse 1), „rot“ für „negative Meinung“ (Klasse 2) und „gelb“ für „keine Meinung“ (Klasse 0).

Soziale Netzwerkanalyse 20

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Bei dieser Auswertung wurden die Daten wurde wie folgt aggregiert:

x äußerte ein Nutzer in keinem seiner Posts eine Meinung über das iPhone, so wurde seine Endmeinung („Ergebnis“ in Abbildung 4-3) auf „keine Meinung“ gesetzt. x ansonsten wurde die jeweils letzte abgegebene Meinung bzgl. des iPhones übernommen.

Die Visualisierung des Netzwerkes erfolgte wiederum mit Hilfe der Softwareumgebung Pajek. Abbildung 4-4 zeigt beispielhaft das Macintosh-Netzwerk nach dem Operationalisieren der quantitativen und qualitativen Daten: Beziehungen und Größe der Knoten, welche die Ausprägung der jeweils betrachteten Kennzahl visualisiert, wurden mit der quantitativen Analyse ermittelt. Die Farben der Knoten spiegeln die Meinung der Nutzer bezüglich des iPhones wieder. Diese wurden mit Hilfe der Software JavaTec erhoben und mit Pajek ausgewertet (vgl. Abbildung 4-3 und Abbildung 4-4). Die Visualisierungen aller Foren sind im Anhang C festgehalten.

Soziale Netzwerkanalyse 21

4.2.3 Annahmen

Sobald sich ein Nutzer an einer Diskussion in einem Forum beteiligt, ist er Teil dieses Netzwerks. Er geht eine Kommunikationsbeziehung zu mindestens einem der teilnehmenden Diskussionspartner ein. Diese Tatsache ist für die Berechnung einiger Netzwerkkennzahlen wichtig, da hierfür ein vollständig verbundenes Netz, d.h. jeder Knoten im Netz muss erreichbar sein, benötigt wird [Jansen 1999, S. 127]. Allerdings ergibt sich bei der Betrachtung von Internetforen das Problem, dass Kommunikationsbeziehungen nicht immer eindeutig zuzuordnen sind. Es bleibt die Frage offen, ob ein neuer Diskussionsteilnehmer, wenn er andere Teilnehmer nicht explizit anspricht, dem Beitrag des ersten Nutzers oder dem des letzten Nutzers antwortet. Mit Hilfe der qualitativen Inhaltsanalyse [Mayring 1993, S. 16] konnte festgestellt werden, dass Nutzer zu Beginn einer neuen Diskussion dem ersten Nutzer antworten, im Verlauf der Diskussion allerdings mehr und mehr auf den vorhergehenden Nutzers eingehen. Im Rahmen dieser Arbeit wird die Annahme getroffen, dass Nutzer, die neu in ein Forum eintreten, mindestens die zuletzt gepostete Nachricht lesen. Aufgrund dieser Annahme werden Kennzahlen nur minimal verfälscht, da jeder Knoten zusätzlich eine ein- und eine ausgehende Verbindung hat.

Soziale Netzwerkanalyse 22

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

4.3 Individuelle Analyseebene

Auf der Ebene der individuellen Analyse werden sowohl Kennzahlen betrachtet, die sich auf den Nutzer selbst beziehen, als auch Kennzahlen, die sein individuelles Netzwerk, das Ego-Netzwerk, charakterisieren. Auf Basis dieser Kennzahlen werden im Anwendungsteil Hypothesen aufgestellt.

4.3.1 Zentralitäts-Kennzahlen

4.3.1.1 Grundlagen

Zentralität beschreibt die Position eines Individuums in einem sozialen Netzwerk. Dadurch können wichtige Akteure in einem sozialen Netz identifiziert werden. Die hier besprochenen Zentralitätskonzepte basieren auf der mathematischen Graphentheorie. Als extremste Formen der Zentralität gelten Stern- und Kreisstrukturen. Bei einer Sternstruktur weist der Akteur in der Mitte des Sterns eine maximale Zentralität auf. Dagegen ist der Zentralitätsgrad bei allen Akteuren in einer Kreisstruktur gleich groß und somit minimal (Abbildung 4-5)

[Wassermann & Faust 1999, S. 171]

Soziale Netzwerkanalyse 23

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

In einer Soziomatrix wird dargestellt, ob eine Beziehung zwischen zwei Akteuren realisiert wird (1) oder nicht (0) [Jansen 1999, S. 124].

FREEMAN (1979, S. 220ff.) definiert drei Zentralitätskennzahlen (Abbildung 4-6):

Bei der Degree-Zentralität handelt es sich um die einfachste Maßzahl für Zentralität. Sie beschreibt den aktivsten und damit zentralsten Akteur als denjenigen, der die meisten direkten Verbindungen zu anderen Akteuren aufweist [Wassermann & Faust 1999, S. 178]. Die Closeness-Kennzahl basiert auf Nähe bzw. Distanz zu anderen Akteuren. In diesem Fall ist das Individuum am zentralsten, dass die kürzesten Verbindungen zu anderen Akteuren hat. Bei der Betweenness-Zentralität werden die kürzesten Verbindungstrecken, die sogenannten geodesic, zwischen kommunizierenden Pärchen betrachtet. Zentral ist der Akteur, der am häufigsten auf diesen Verbindungen liegt. Diesem obliegt die Informationskontrolle zwischen zwei interagierenden Akteuren [Wassermann & Faust 1999, S. 188].

Die Notation der Kennzahlen für Zentralität ist % für „centrality“. Ein Index hilft bei der Unterscheidung der verschiedenen Zentralitätsmaßzahlen: % ½ steht für Degree-, % ¼ für Closeness-und% » für Betweenness-Zentralität. Bezieht sich die Zentralität auf einen bestimmten Akteur j wird dies mit %:J Ü ; notiert. Um die verschiedenen Zentralitätskennzahlen mit Maßzahlen

aus anderen sozialen Netzen vergleichen zu können, muss die Zentralität standardisiert werden. Eine Standardisierung erfolgt immer mit Bezug auf die Größe des betrachteten Netzes und wird mit %" dargestellt. Der Wertebereich von standardisierten Maßzahlen liegt zwischen 0 und 1, wobei 0 minimale (Kreis) und 1 maximale (Stern) Zentralität bedeutet [Jansen 1999, S. 125].

Soziale Netzwerkanalyse 24

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Degree-Zentralität

Der Degree @ Ü eines Akteurs gibt in ungerichteten Netzwerken die Anzahl seiner Verbindungen zu anderen Akteuren an [Wassermann & Faust 1999, S. 178ff]. Im Rahmen dieser Arbeit werden hauptsächlich Internet-Foren betrachtet, die einem gerichteten Netzwerk entsprechen, da Nutzer hierin gezielt miteinander kommunizieren. Jeder Knoten kann sowohl einals auch ausgehende (Informations-) Verbindungen besitzen [Gloor et al. 2003, S. 2]. Die Netzwerkbeteiligung bzw. Aktivität wird in einem gerichteten Netzwerk über die ausgehenden Verbindungen, den Output-Degree des Akteurs K@ Ü , gemessen [Jansen 1999, S. 125 / Wassermann & Faust 1999, S. 199].

Formal lässt sich die Degree-Zentralität folgendermaßen darstellen:

% ½ :J Ü ; LK@ Ü LÍT ÝÜ

Ý

T ÝÜ steht für die einzelnen Werte in der Soziomatrix :. Der Output-Degree K@ Ü für den Akteur F errechnet sich, in dem die Beziehungen aus der Zeile F aufsummiert werden. Im Beispiel aus Abbildung 4-5 ergeben sich folgende Zentralitätswerte für die Akteure J 5 sowie J 6 (für J 6 bis J ; ergibt sicher der gleiche Zentralitätswert): % ½ :J 5 ; LK@ ^á - LÍT ^Ýá - Lx

Anhand des Beispielnetzwerks des Sterns (Abbildung 4-5 (a)) lässt sich erkennen, dass der Akteur J 5 6 direkte Verbindungen zu anderen Akteuren hat. Die Akteure J 6 bis J ; haben jeweils eine Verbindung zum Zentrum des Netzes J 5 und somit einen Output-Degree K@ Ü von 1. Um die Ergebnisse mit anderen Netzen vergleichen zu können, müssen diese standardisiert werden, indem sie mit der Größe des Gesamtnetzwerks in Relation gesetzt werden [Freeman 1978, S. 221]: %" ½ :J Ü ; L

Soziale Netzwerkanalyse 25

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Für den Akteur J 5 ergibt sich im Beispiel eine maximale Zentralität von 1. Die Akteure J 6 bis J ; weisen eine Zentralität von rásy auf [Freeman 1978, S. 220 / Wassermann & Faust 1999, S. 178f / Jansen 1999, S. 126f.].

Closeness-Zentralität

Closeness-Zentralität % ¼ erfasst die Nähe eines Akteurs E zu allen anderen Akteuren F über die jeweiligen Pfaddistanzen @ Ü . Die Kennzahl kann auch als Maßzahl für die Unabhängigkeit zu anderen Akteuren interpretiert werden [Jansen 1999, S. 131]. Die Pfaddistanz @:J Ü áJ Ý ; ist

die Anzahl der kürzesten Verbindungen, geodesic, die zwei Akteure E und F verbindet. Die Closeness-basierte Zentralität für Akteur i lässt sich errechnen, indem alle Pfaddistanzen zu den anderen Akteuren F aufsummiert werden:

Um ein Maß für die Closeness bzw. Nähe zu erhalten, wird von der Summe der Kehrwert gebildet [Freeman 1978, S. 225 / Wassermann & Faust 1999, S. 184].

Für das Beispielnetzwerks des Sterns (Abbildung 4-5) errechnet sich für den Akteur J 5 (in der Mitte des Sterns) eine Pfaddistanz von 1, da er alle anderen Akteure auf direktem Weg erreichen kann. Umgekehrt haben alle anderen Akteure nur zu Akteur J 5 eine Pfadlänge von 1; die Akteure J 6 bis J ; erreichen sich gegenseitig nur über 2 Schritte. Für die Berechnung der Zentralitätskennzahl müssen die einzelnen Pfaddistanzen aufsummiert (für J 5 : sÛxLx) 5

und davon der Kehrwert genommen werden: . Die Kennzahl für die Akteure J 6 bis J ; be-

:

trägt jeweils rásr (=(1*1+5*2) ^-1 )

Durch die Standardisierung der Kennzahl kann diese mit Maßzahlen aus anderen Netzwerken verglichen werden. Hierfür wird die Kennzahl in Bezug zur Netzgröße gesetzt:

%" ¼ :J Ü ; LLÍ@kJ Ü áJ Ý o

Der Wertebereich für die standardisierte Closeness-Zentralität %" ¼ :J Ü ;liegt zwischen 0 und 1,

wobei 1 maximale (Stern) und 0 minimale Zentralität (Kreis) bedeutet. Im Beispiel (Abbildung 4-5) ergibt sich für den zentralen Akteur n 1 eine Zentralität von x ^?5 Û:yFs;Ls, für alle an-

deren Akteure errechnet sich eine Zentralitätskennzahl von :sÛsEwÛt; ^?5 Û:yFs;Lráwv

[Freeman 1978, S. 225f. / Wassermann & Faust 1999, S. 184f.].

Soziale Netzwerkanalyse 26

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

Betweenness-Zentralität

Bei der Betweenness-Zentralität handelt es sich wie bei der Closeness-Zentralität um eine Abstandszentralität. Betweeness ist ein Zentralitätsmaß, das Akteure betrachtet, die auf einem Verbindungspfad zwischen zwei weiteren Akteuren liegen. Akteure J Ü , die häufig auf Verbindungen zwischen Akteurpärchen J Ý und J Þ liegen, haben einen hohen Betweenness-Wert [Freeman 1978, S. 223]. Diesem Knoten unterliegt die Kontrolle von Informationen zwischen zwei Akteuren. Die Kennzahl gilt deshalb als Maß für die Kommunikationskontrolle.

Zur Ermittlung der Betweenness-Kennzahl errechnet FREEMAN (1978, S. 223) in einem ers-ten Schritt die Wahrscheinlichkeit > ÝÞ :J Ü ;, mit der ein Akteur J Ü auf der kürzesten Verbindung

zweier anderer Akteure liegt. Hierfür setzt er die Anzahl der geodesics, die über den Akteur J Ü laufen [C ÜÞ :J Ü )], in Relation zu der Anzahl aller geodesics zwischen zwei Akteuren J Ü und

J Þ [C ÜÞ ].

‰ hi : g ;

> ÝÞ :J Ü ; L

C ÝÞ

Die Betweenness-Zentralität ist die Summe der Wahrscheinlichkeiten über alle Akteurpaare:

% » :J Ü ; LÍ> ÝÞ :J Ü ;

Ý´Þ

Im idealisierten Beispiel des Sterns (Abbildung 4-5) ist die Anzahl der Verbindungen eines Pärchens, die über J 5 laufen, gleich der Anzahl aller Verbindungen eines Pärchens. Insge- LyÛ Lts ungeordnete Pärchen. An 6 Verbindungen ist á?5 ;?5

samt gibt es im Beispiel JÛ

6 6

J 5 direkt beteiligt, die übrigen 15 Pärchen sind über J 5 verbunden. Daraus ergibt sich eine LsLsrr¨, dass n 1 an einer Beziehung zwischen zwei Pärchen 59

Wahrscheinlichkeit von

59

beteiligt ist. Die Zentralität % » von Akteur n 1 lässt sich errechnen, in dem die Wahrscheinlichkeiten einer Beteiligung an einer Beziehung zwischen zwei Akteuren aufsummiert werden:

% » LswÛsLsw.

Um die Ergebnisse wiederum vergleichbar zu machen, müssen diese mit einer Bezugsgrö-ße, :Jt uJ E t;t, normalisiert werden:

tÛ% » :J Ü ;

%" » :J Ü ; L J ⁶ FuJEt

Für das Beispiel errechnet sich eine standardisierte Betweenness-Zentralität von:

tÛ% » :J 5 ;

%" » :J 5 ; L

ur L Ls

y ⁶ FuÛyEt

ur

Soziale Netzwerkanalyse 27

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

4.3.1.2 Anwendung

Im Folgenden wird untersucht, inwiefern Zentralitätskennzahlen Meinungswechsler positiv oder negativ beeinflussen. Aus den Vermutungen werden Hypothesen abgeleitet, die in der neuronalen Netzwerkanalyse (Kapitel 5) überprüft werden.

Degree-Zentralität

Bei der Analyse der Degree-Zentralität wurde festgestellt, dass Nutzer, welche hohe Werte in Degree-Zentralität haben, häufiger ihre Meinung wechseln als Nutzer mit niedrigen Werten.

Im Apfeltalk-Forum und im slashFM-Forum konnte jeweils nur ein Meinungswechsler identifiziert werden, weshalb eine Analyse bzgl. Meinungswechsler nicht sinnvoll erschien. Deswegen wurden Kennzahlen von Nutzern untersucht, die bei ihrer Meinung blieben. Hierbei konnte festgestellt werden, dass die Degree-Zentralität bei diesen Nutzern relativ gering war. (Apfeltalk-Forum: Anhang A.1.1 Tabelle 0-1 und B.1 Abbildung 0-2 - 0-5; slashFM-Forum: Anhang A.1.1 Tabelle 0-7 und B.1 Abbildung 0-26 - 0.29)

Im iFUN-Forum wechselten vier der ersten fünf Nutzer mit den höchsten Werten in Degree-Zentralität ihre Meinung. Zu diesen zählten cyberalfa (0,17), Eddy (0,17), da_matzeee (0.30) und Aman (0,17). Dagegen wechselte von den fünf Nutzern, die die niedrigsten Werte aufwiesen, nur einer seine Meinung: Savvy?! (0,04). (Anhang A.1.1 Tabelle 0-2 und B.1 Abbildung 0-6 - 0-9)

Ein ähnliches Bild ergab sich im Macintosh-Forum: Hier wechselten ebenfalls vier der ersten fünf Nutzer mit den höchsten Werten in Degree-Zentralität: ipodmini (0,29), realityking (0,29), jaybee (0,15), Freddy (0,15). Die Nutzer mit niedrigen Kennzahlen blieben hingegen alle bei ihrer Meinung. (Anhang B.1 Abbildung 0-10 - 0-13)

Im Minidisc-Forum wurden ähnliche Ergebnisse gemessen: Affenfreund (0,41), Kronos (0,24), DMW (0,24) und Wulli (0,18) waren unter den sieben Nutzer mit höchster Degree-Zentralität. Von den Nutzern mit niedriger Degree-Zentralität wechselte nur Gaffa (0,0) seine Meinung. (Anhang B.1 Abbildung 0-14 - 0-17)

Keine eindeutigen Ergebnisse konnten aus dem netQuarter-Forum (Anhang B.1 Abbildung 0-18 - 0.21) abgeleitet werden. Meinungswechsler sind in diesem Forum von Degree-Zentralität weder sonderlich positiv noch negativ beeinflusst worden.

Im PCFreunde-Forum und SMS77-Forum ergab sich ein ähnliches Bild: jeweils der Nutzer mit dem höchsten Wert in Degree-Zentralität (Godzkilla: 0,63 und Hony: 0,22) wechselte seine Meinung. Von den Nutzern mit den niedrigsten Degree-Zentralitäten wechselte niemand.

Soziale Netzwerkanalyse 28

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

(PCFreunde-Forum: Anhang A.1.1 Tabelle 0-6 und B.1 Abbildung 0-22 - 0-25; SMS77-Forum: A.1.1 Tabelle 0-8 und B1 Abbildung 0-30 - 0.33)

Die Analysen bzgl. der Degree-Zentralität ergaben, dass Nutzer mit hohen Werten eher ihre Meinung wechseln als Nutzer mit niedrigen Werten. Es wird deshalb ein positiver Zusammenhang zwischen dem Wert in Degree-Zentralität und dem Wechseln der Meinung vermutet:

Hypothese 1: Es besteht ein positiver Zusammenhang zwischen hohen Werten in Degree-Zentralität und Meinungswechsel.

Closeness-Zentralität

In den fünf Foren Apfeltalk, netQuarter, PCFreunde, slashFM und SMS77 konnten insgesamt nur zwei Nutzer (|NQ|devil (0,44), Godzkilla (0,73)), identifiziert werden, die bei hoher Closeness-Zentralität ihre Meinung wechselten. Umgekehrt wechselte in diesen Foren kein Nutzer bei niedriger Closeness-Zentralität seine Meinung. (Apfeltalk-Forum: Anhang A.1.2 Tabelle 0-9 und B.2 Abbildung 0-34 - 0-37; netQuarter-Forum: Anhang A.1.2 Tabelle 0-13 und B.2 Anhang B.2 Abbildung 0-49 - 0.52; PCFreunde-Forum: Anhang A.1.2 Tabelle 0-14 und B.2 Abbildung 0-53 - 0-56; slashFM-Forum: Anhang A.1.2 Tabelle 0-15 und B.2 Abbildung 0-57 - 0.60; SMS77-Forum: Anhang A.1.2 und B2 Abbildung 0-61 - 0.64)

Im iFUN-Forum konnten unter den fünf Nutzern mit den höchsten Werten in Closeness-Zentralität vier Nutzer identifiziert werden, die ihre Meinung wechselten: da_matzeee (0,58), cyberalfa (0,53), Aman (0,49) und Eddy (0,49)). Dagegen wechselte keiner der Nutzer mit niedrigen Werten seine Meinung. (Anhang A.1.2 Tabelle 0-10 und B.2 Abbildung 0-38 - 0-41

Im Macintosh- und Minidisc-Forum war das Bild ähnlich. Von den ersten fünf Nutzern wechselten jeweils drei die Meinung: realityking (0,53), ipodmini (0,52) und jaybee (0,49) sowie Affenfreund (0,44), Kronos (0,46) und DMW (0,47). Im Gegensatz zum iFUN-Forum wechselten in diesen Foren auch Nutzer mit niedrigen Kennzahlen die Meinung: Henry (0,30) und mäckes (0,28) sowie Wolfsheim (0,37) und Gaffa (0,0). (Macintosh-Forum: Anhang A.1.2 Tabelle 0-12 und B.2 Abbildung 0-42 - 0-45; Minidisc-Forum: Anhang A.1.2 Tabelle 0-13 und Abbildung 0-46 - 0-49)

Im SMS77-Forum wurden die Meinungen bei Nutzern mit Extremwerten nicht gewechselt. (Anhang A.1.2 Tabelle 0-16 und B2 Abbildung 0-61 - 0.64

Aus der Analyse der Closeness-Zentralität konnte kein einheitliches Meinungsbild abgeleitet werden. Zum einen wechselten in fünf der acht untersuchten Foren nur insgesamt drei Nut-

SozialeNetzwerkanalyse 29

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

zer mit hohen Werten in Closeness-Zentralität ihre Meinung. Dies legt die Vermutung nahe, dass bei hohen Werten seltener Meinungswechsel auftreten. In Anbetracht dieser Erkenntnisse wird vermutet, dass ein leicht negativer Zusammenhang vorliegt.

Hypothese 2: Es besteht ein negativer Zusammenhang zwischen hohen Werten in Closeness-Zentralität und Meinungswechsel.

Betweenness-Zentralität

In den Foren Apfeltalk, netQuarter, PCFreunde, slashFM und SMS77 konnten keine Meinungswechsler mit hohen Werten in Betweenness-Zentralität identifiziert werden. (Apfeltalk: Anhang A.1.3 Tabelle 0-17 und B.3 Abbildung 0-66 - 0-69; netQuarter: A.1.3 Tabelle 0-21 B.3 Abbildung 0-84 - 0-87; PCFreunde: A.1.3 Tabelle 0-22 und B.3 Abbildung 0-88 - 0-91; slashFM: A.1.3 Tabelle 0-23 und B.3 Abbildung 0-92 - 0-95; SMS77: A.1.3 Tabelle 0-24 und B.7 Abbildung 0-96-0-99)

Im iFUN-Forum wechselten drei Nutzer (da_matzee (0,42), cyberalfa (0,28) und Eddy (0,25)) und im Macintosh-Forum zwei Nutzer (realityking (0,46) und ipodmini (0,20)) bei hohen Werten in Betweenness-Zentralität ihre Meinung. (iFUN-Forum: Anhang A.1.3 Tabelle 0-18 und B.3 Abbildung 0-70 - 0-73; Macintosh-Forum: Anhang A.1.3 Tabelle 0-19 und B.3 Abbildung 0-74 und 0-77).

Im Minidisc-Forum finden sich unter den fünf Nutzern mit den höchsten Kennzahlen vier Meinungswechsler wieder: Kronos (0,36), DMW (0,33), Affenfreund (0,24) und Wolfsheim (0,12). Ein Nutzer wechselte in diesem Forum bei 0,0 Punkten die Meinung (Gaffa). (Anhang: A.1.3 Tabelle 0-20 und B.3 Abbildung 0-78 und 0-81)

Aus den Ergebnissen können keine eindeutigen Zusammenhänge abgeleitet werden. In den meisten der untersuchen Foren finden sich keine Meinungswechsler unter den Nutzern mit den höchsten bzw. niedrigsten Werten. Es wird vermutet, dass es keinen Zusammenhang zwischen den Werten in Betweenness-Zentralität und dem Wechsel von Meinungen gibt:

Hypothese 3: Es besteht kein direkter Zusammenhang zwischen hohen Werten in Betweenness-Zentralität und Meinungswechsel.

Soziale Netzwerkanalyse 30

Diffusion von Meinungen in sozialen Netzwerken des Web 2.0

4.3.1.3 Zusammenfassung

Tabelle 4-1: Zusammenfassung Zentralitäts-Kennzahlen

Degree % ½ :J Ü ; Closeness % ¼ :J Ü ; Betweenness % » :J Ü ; Kennzahl WAS Nähe zu allen anderen Akteuren über Anzahl der kürzesten Verbin-Anzahl direkter Verbin-Pfaddistanz dungen zwischen Akteurpaawird gemessen? dungen zu anderen

ren, die über einen dritten (Bezug) Akteuren

Akteur laufen (outdegree)

WIE wird gemessen?

(Formel)

WARUM Messen der Kommuni-Messen der Zentralität bzw. Unabhän-Messen der Kommunikations-wird gemessen? kationsaktivität gigkeit (von anderen) kontrolle

(Interpretation)

Die Analysen zu den Zentralitäts-Kennzahlen haben gezeigt, dass Nutzer mit einer hohen Kommunikationsaktivität (d.h. hohen Werte in Degree-Zentralität), eher bereit sind ihre Meinung zu wechseln. Dagegen führte eine große Nähe zu anderen Nutzern (Closeness-Zentralität) eher dazu, dass die Nutzer bei ihrer Meinung blieben. Die Kommunikationskontrolle (Betweenness-Zentralität) schien keinen Einfluss auf die Nutzer zu haben.

Tabelle 4-2: Hypothesen zu Zentralitäts-Kennzahlen

Hypothese 1: Es besteht ein positiver Zusammenhang zwischen hohen Werten in Degree-Zentralität und Meinungswechsel.

Hypothese 2: Es besteht ein negativer Zusammenhang zwischen hohen Werten in Closeness-Zentralität und Meinungswechsel.

Hypothese 3: Es besteht kein direkter Zusammenhang zwischen hohen Werten in Betweenness-Zentralität und Meinungswechsel.

4.3.2 Prestige-Kennzahlen

4.3.2.1 Grundlagen

Prestigekennzahlen geben die Popularität von Akteuren in einem Netzwerk wieder. Die Voraussetzung für die Betrachtung von Prestige-Kennzahlen ist ein gerichtetes Netz, da für die Berechnung der Maßzahlen nur die eingehenden Kanten berücksichtigt werden [Wasserman & Faust 1999, S. 202].

Soziale Netzwerkanalyse 31